本地导入书籍的 AI 翻译功能
仅支持付费会员使用
仅支持付费会员使用
微信扫码开通付费会员
一键翻译全文
一键翻译全文
微信读书书城SRE：Google运维解密 一次流程管理良好的事故
查看
全部搜索结果
SRE：Google运维解密
贝特西·拜尔等
- 版权信息
- 内容简介
- O Reilly Media,Inc.介绍
- 赞誉
- 译者序
- 前言
- 序言
- 第Ⅰ部分 概览
- 第1章 介绍
- 系统管理员模式
- Google的解决之道：SRE
- SRE方法论
- 小结
- 第2章 Google 生产环境：SRE视角
- 硬件
- 管理物理服务器的系统管理软件
- 其他系统软件
- 软件基础设施
- 研发环境
- 莎士比亚搜索：一个示范服务
- 第Ⅱ部分 指导思想
- 第3章 拥抱风险
- 管理风险
- 度量服务的风险
- 服务的风险容忍度
- 使用错误预算的目的
- 第4章 服务质量目标
- 服务质量术语
- 指标在实践中的应用
- 目标在实践中的应用
- 协议在实践中的应用
- 第5章 减少琐事
- 琐事的定义
- 为什么琐事越少越好
- 什么算作工程工作
- 琐事繁多是不是一定不好
- 小结
- 第6章 分布式系统的监控
- 术语定义
- 为什么要监控
- 对监控系统设置合理预期
- 现象与原因
- 黑盒监控与白盒监控
- 4个黄金指标
- 关于长尾问题
- 度量指标时采用合适的精度
- 简化，直到不能再简化
- 将上述理念整合起来
- 监控系统的长期维护
- 小结
- 第7章 Google 的自动化系统的演进
- 自动化的价值
- 自动化对Google SRE的价值
- 自动化的应用案例
- 让自己脱离工作：自动化所有的东西
- 舒缓疼痛：将自动化应用到集群上线中
- Borg：仓库规模计算机的诞生
- 可靠性是最基本的功能
- 建议
- 第8章 发布工程
- 发布工程师的角色
- 发布工程哲学
- 持续构建与部署
- 配置管理
- 小结
- 第9章 简单化
- 系统的稳定性与灵活性
- 乏味是一种美德
- 我绝对不放弃我的代码
- “负代码行”作为一个指标
- 最小 API
- 模块化
- 发布的简单化
- 小结
- 第Ⅲ部分 具体实践
- 第10章 基于时间序列数据进行有效报警
- Borgmon的起源
- 应用软件的监控埋点
- 监控指标的收集
- 时间序列数据的存储
- Borg规则计算
- 报警
- 监控系统的分片机制
- 黑盒监控
- 配置文件的维护
- 十年之后
- 第11章 on-call轮值
- 介绍
- on-call工程师的一天
- on-call工作平衡
- 安全感
- 避免运维压力过大
- 小结
- 第12章 有效的故障排查手段
- 理论
- 实践
- 神奇的负面结果
- 案例分析
- 使故障排查更简单
- 小结
- 第13章 紧急事件响应
- 当系统出现问题时怎么办
- 测试导致的紧急事故
- 变更部署带来的紧急事故
- 流程导致的严重事故
- 所有的问题都有解决方案
- 向过去学习，而不是重复它
- 小结
- 第14章 紧急事故管理
- 无流程管理的紧急事故
- 对这次无流程管理的事故的剖析
- 紧急事故的流程管理要素
- 一次流程管理良好的事故
- 什么时候对外宣布事故
- 小结
- 第15章 事后总结：从失败中学习
- Google的事后总结哲学
- 协作和知识共享
- 建立事后总结文化
- 小结以及不断优化
- 第16章 跟踪故障
- Escalator
- Outalator
- 第17章 测试可靠性
- 软件测试的类型
- 创造一个构建和测试环境
- 大规模测试
- 小结
- 第18章 SRE部门中的软件工程实践
- 为什么软件工程项目对SRE很重要
- Auxon 案例分析：项目背景和要解决的问题
- 基于意图的容量规划
- 在SRE团队中培养软件工程风气
- 小结
- 第19章 前端服务器的负载均衡
- 有时候硬件并不能解决问题
- 使用DNS进行负载均衡
- 负载均衡：虚拟IP
- 第20章 数据中心内部的负载均衡系统
- 理想情况
- 识别异常任务：流速控制和跛脚鸭任务
- 利用划分子集限制连接池大小
- 负载均衡策略
- 第21章 应对过载
- QPS陷阱
- 给每个用户设置限制
- 客户端侧的节流机制
- 重要性
- 资源利用率信号
- 处理过载错误
- 连接造成的负载
- 小结
- 第22章 处理连锁故障
- 连锁故障产生的原因和如何从设计上避免
- 防止软件服务器过载
- 慢启动和冷缓存
- 连锁故障的触发条件
- 连锁故障的测试
- 解决连锁故障的立即步骤
- 小结
- 第23章 管理关键状态：利用分布式共识来提高可靠性
- 使用共识系统的动力：分布式系统协调失败
- 分布式共识是如何工作的
- 分布式共识的系统架构模式
- 分布式共识系统的性能问题
- 分布式共识系统的部署
- 对分布式共识系统的监控
- 小结
- 第24章 分布式周期性任务系统
- Cron
- Cron任务和幂等性
- 大规模Cron系统
- Google Cron系统的构建过程
- 小结
- 第25章 数据处理流水线
- 流水线设计模式的起源
- 简单流水线设计模式与大数据
- 周期性流水线模式的挑战
- 工作分发不均造成的问题
- 分布式环境中周期性数据流水线的缺点
- Google Workflow简介
- Workflow中的执行阶段
- 保障业务的持续性
- 小结
- 第26章 数据完整性：读写一致
- 数据完整性的强需求
- 保障数据完整性和可用性：Google SRE的目标
- Google SRE保障数据完整性的手段
- 案例分析
- SRE的基本理念在数据完整性上的应用
- 小结
- 第27章 可靠地进行产品的大规模发布
- 发布协调工程师
- 建立发布流程
- 起草一个发布检查列表
- 可靠发布所需要的方法论
- LCE的发展
- 小结
- 第Ⅳ部分 管理
- 第28章 迅速培养SRE加入on-call
- 新的SRE已经招聘到了，接下来怎么办
- 培训初期：重体系，而非混乱
- 培养反向工程能力和随机应变能力
- 有抱负的on-call工程师的5个特点
- on-call之后：通过培训的仪式感，以及日后的持续教育
- 小结
- 第29章 处理中断性任务
- 管理运维负载
- 如何决策对中断性任务的处理策略
- 不完美的机器
- 第30章 通过嵌入SRE的方式帮助团队从运维过载中恢复
- 第一阶段：了解服务，了解上下文
- 第二阶段：分享背景知识
- 第三阶段：主导改变
- 小结
- 第31章 SRE与其他团队的沟通与协作
- 沟通：生产会议
- SRE的内部协作
- SRE内部的协作案例分析：Viceroy
- SRE与其他部门之间的协作
- 案例分析：将DFP迁移到F1
- 小结
- 第32章 SRE参与模式的演进历程
- SRE 参与模式：是什么、怎么样以及为什么
- PRR 模型
- SRE参与模型
- PRR：简单PRR模型
- 简单PRR模型的演进：早期参与模型
- 不断发展的服务：框架和SRE平台
- 小结
- 第Ⅴ部分 结束语
- 第33章 其他行业的实践经验
- 有其他行业背景的资深SRE
- 灾难预案与演习
- 事后总结的文化
- 将重复性工作自动化，消除运维负载
- 结构化和理性的决策
- 小结
- 第34章 结语
- 附录A 系统可用性
- 附录B 生产环境运维过程中的最佳实践
- 附录C 事故状态文档示范
- 附录D 事后总结示范
- 附录E 发布协调检查列表
- 附录F 生产环境会议记录示范
- 参考文献
- 索引
- 关于编著者
- 封面介绍
暂无笔记